Sep, 2023

统一长期时间序列预测基准

PDF
TL;DR为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。
machine learningtime-series dataforecastingdatasetmodel effectiveness
发现论文，激发创造
  • 深度学习模型预测股票指数的比较研究

    本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

    Jun, 2023

  • 莫纳什时间序列预测存档

    本文提供了一个包含不同领域，不同类型的 20 种公开的时间序列数据集的综合时间序列预测归档，并对数据集进行特征分析来鉴别相似之处和不同之处。此外，作者还提供了一组标准基准预测方法的性能分析，以便研究人员使用文献进行算法比较。

    May, 2021

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 基于 Transformer 的长期时间序列预测的系统综述

    深度学习在时间序列预测方面取得了显著进展，其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用，总结了公开的长期时间序列预测数据集和评估指标，并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术，最后提出了该领域的潜在研究方向。

    Oct, 2023

  • 多元时间序列预测的进展：全面基准测试和异质性分析

    使用 BasicTS 基准测试来解决多元时间序列预测中公正对比问题，并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较，为研究人员选择和设计多元时间序列预测模型提供洞见。

    Oct, 2023

  • 时间序列预测深度学习架构的实验综述

    本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。

    Mar, 2021

  • WeatherBench：面向数据驱动天气预测的基准数据集

    本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

    Feb, 2020

  • 基于概率的时间序列预测中多层感知器神经网络的超参数调优

    我们的研究主要关注于考察与时间序列相关的特定超参数（如上下文长度和验证策略）对时间序列预测中最先进的 MLP 模型性能的影响，通过对 20 个时间序列预测数据集进行了 4800 种配置的广泛实验，我们的研究结果表明这些参数的调整对性能至关重要。此外，我们还引入了迄今为止最大的用于时间序列预测的元数据集 TSBench，包括 97200 个评估，相较于该领域的先前作品增加了 20 倍。最后，我们展示了该创建的元数据集在多保真度超参数优化任务中的实用性。

    Mar, 2024

  • LargeST：用于大规模交通预测的基准数据集

    介绍了一种包含 8600 个传感器的 5 年数据时间覆盖的 LargeST 基准数据集作为解决当前公共数据集限制（规模小、时间段短、缺乏元数据）所面临挑战的一种解决方案，并在其上进行深入数据分析以提取数据洞见和评估效能。

    Jun, 2023

  • 深度学习中的预测：超越平均值的平均值性能

    准确评估预测模型对于确保可靠的预测至关重要。我们提出了一个新的框架，从多个角度评估单变量时间序列预测模型，比如一步预测和多步预测。通过与经典预测技术比较，我们展示了这一框架的优势，并发现 NHITS 在多步预测上表现最佳，同时在异常处理方面被 Theta 等方法超越。这些发现突显了基于方面的模型评估的重要性。

    Jun, 2024